岗位职责：
●负责PAI平台深度学习框架的技术研发，涵盖MoE模型的大规模训练架构、多模态训练体系、RLHF训练流程等方向，支撑通义实验室、阿里集团等多个业务场景；参与基模型Pretrain、SFT等关键阶段的训练性能优化；
●专注于提升各阶段模型训练任务的峰值吞吐能力，系统化分析不同模型负载在各环节的时间开销，并提出针对性优化方案，包括但不限于算子层面改进、通信机制调优、分布式策略设计等手段；
●主导超大规模训练系统的稳定性建设，通过多种技术路径提高训练任务的实际有效吞吐，打造高效的故障识别与自动恢复机制，保障大规模训练过程的流畅性与可靠性；
●参与训练框架对多种硬件后端的适配与性能增强工作。

职位描述
●具备扎实的工程实现能力，良好的编码规范，熟练掌握Python/C++编程语言及常见设计模式，拥有复杂软件系统的设计、开发与调试经验；
●理解深度学习基本理论，熟悉Transformer结构，了解主流大语言模型和多模态模型的核心特性；
●精通PyTorch等常用深度学习框架，深入理解Megatron、DeepSpeed、JAX等训练框架的技术差异与实现细节；
●具有良好的沟通表达能力和团队协作精神，具备快速学习新知识的能力以及持续探索技术难题的韧性；
●掌握计算机体系结构相关基础知识，在异构计算优化（GPGPU/x86/ARM）领域有实践经验，熟悉高性能网络通信机制与分布式训练策略调优方法；